The Say-Do Gap Index: A Reproducible NLP Pipeline for Detecting ESG Rhetoric–Reality Divergence in Corporate Media Coverage

No mundo empresarial moderno, as empresas frequentemente fazem promessas públicas sobre como protegerão o meio ambiente, tratarão seus trabalhadores e agirão de forma ética. Essas promessas, frequentemente chamadas de compromissos ambientais, sociais e de governança (ESG), visam mostrar que uma empresa se preocupa com mais do que apenas o lucro. No entanto, uma questão persistente assombra investidores, reguladores e o público: será que essas empresas realmente cumprem o que prometem? Existe uma preocupação crescente de que algumas firmas pratiquem o "greenwashing" (maquiagem verde), uma prática em que elas falam muito bem em seus relatórios e comunicados de imprensa, mas falham em tomar medidas significativas no mundo real. Medir a distância entre o que uma empresa diz e o que ela realmente faz tem sido, tradicionalmente, um processo lento e manual, exigindo que pesquisadores leiam milhares de documentos e os cruzem com notícias de escândalos ou violações. Esse hiato entre a retórica e a realidade é difícil de rastrear em escala, deixando um ponto cego na nossa compreensão da responsabilidade corporativa.

Um novo estudo de Alfredo Merlet, da Universidade de Sevilha, oferece uma maneira de lançar luz sobre esse hiato usando uma ferramenta do campo da inteligência artificial. Em vez de simplesmente relatar se as empresas espanholas estão cumprindo suas promessas, este artigo foca em construir a máquina que pode verificá-las. O pesquisador desenvolveu um sistema totalmente documentado e reutilizável que pode ler milhares de artigos de notícias, compreender o que eles dizem sobre o comportamento de uma empresa e calcular automaticamente uma pontuação que representa a diferença entre as palavras e as ações de uma firma. O sistema foi testado em uma vasta coleção de 131.151 artigos de notícias cobrindo 34 grandes empresas espanholas ao longo de um período de sete anos. Ao ensinar um computador a distinguir entre ações genuínas, promessas vagas e controvérsias negativas, o estudo criou um método confiável para identificar quando a imagem pública de uma empresa não condiz com seu desempenho real.

O cerne deste trabalho é um pipeline, que é essencialmente uma linha de montagem passo a passo para o processamento de informações. Primeiro, o sistema reúne histórias de notícias de um banco de dados global que monitora a cobertura midiática. Ele filtra essas histórias para encontrar apenas aquelas que mencionam empresas espanholas específicas de grande porte. Em seguida, utiliza um programa de computador especializado, treinado na língua espanhola, para ler cada artigo e classificá-lo em uma de seis categorias. Essas categorias variam desde evidências claras de ação ambiental positiva até compromissos vagos que não foram comprovados e, finalmente, relatos de controvérsias ou escândalos negativos. O sistema foi ensinado a fazer essas distinções mostrando-lhe milhares de exemplos que especialistas humanos já haviam rotulado, um processo conhecido como treinamento. Os pesquisadores descobriram que o computador teve dificuldades iniciais para identificar promessas vagas porque havia poucos exemplos delas nos dados iniciais. Para corrigir isso, eles buscaram especificamente mais artigos contendo esses tipos de promessas e os adicionaram ao conjunto de treinamento, o que melhorou significativamente a capacidade do computador de detectá-los.

Uma vez que o sistema pudesse classificar as notícias com precisão, os pesquisadores o utilizaram para construir uma pontuação para cada empresa a cada ano do estudo. Essa pontuação, chamada Índice de Lacuna entre Dizer e Fazer (Say-Do Gap Index), mede o equilíbrio entre promessas não verificadas e ações positivas reais ou controvérsias negativas. Se uma empresa faz muitas promessas vagas, mas poucas conquistas concretas, a pontuação reflete uma grande lacuna. Se as ações da empresa alinham-se com suas palavras, a lacuna é pequena. O resultado final é um conjunto de dados abrangendo 238 diferentes "empresa-anos", fornecendo uma visão numérica clara de quão bem essas firmas combinaram o discurso com a prática. O modelo de computador alcançou um alto nível de precisência em suas classificações, identificando com sucesso os diferentes tipos de notícias com um nível de desempenho que os pesquisadores consideram robusto o suficiente para estudos posteriores.

Crucialmente, o artigo enfatiza que esta ferramenta foi desenhada para ser usada por outros cientistas e analistas, não apenas para este estudo específico. Todo o código, as regras de como o computador foi treinado e as etapas para a coleta dos dados são disponibilizados ao público. Isso permite que qualquer pessoa aplique o mesmo método a diferentes países, períodos de tempo e idiomas, desde que ajuste o sistema para se adequar ao contexto local. O autor observa que, embora a estrutura da ferramenta seja universal, o "cérebro" computacional específico usado aqui foi treinado apenas em texto espanhol, portanto, precisaria ser retreinado para outros idiomas para funcionar corretamente.

O estudo também traça uma linha cuidadosa entre o que a ferramenta pode fazer e o que ela não pode fazer. O sistema é excelente em medir a diferença observável entre uma declaração e um resultado. No entanto, o artigo alerta que uma grande lacuna não prova automaticamente que uma empresa está mentindo ou agindo com má intenção. Uma empresa pode falhar em atingir uma meta devido a mudanças econômicas inesperadas, novas leis ou mudanças legítimas de estratégia. A ferramenta identifica a discrepância, mas não consegue explicar o motivo por trás dela. Determinar se uma lacuna representa decepção ou simplesmente uma mudança nas circunstâncias requer julgamento humano e uma compreensão da situação específica.

Em última análise, este trabalho fornece uma nova maneira de escalar o estudo da honestidade corporativa. Antes deste pipeline, verificar a consistência das promessas corporativas exigia um esforço humano imenso e era limitado a amostras pequenas. Agora, pesquisadores podem analisar sistematicamente vastas quantidades de cobertura midiática para ver onde existe a lacuna entre palavras e ações. O estudo não afirma ter resolvido o problema da responsabilidade corporativa, nem declara que todas as empresas com uma lacuna são culpadas de má conduta. Em vez disso, oferece um método reprodutível e transparente para medir o fenômeno, transformando uma suspeita vaga sobre greenwashing em uma observação concreta, baseada em dados, que pode ser verificada e aprimorada por outros.